[信息与通信]第3章 音频压缩编码.ppt

第三章 音频压缩编码之一,本次课我们将学习,音频与听觉 声音数字化 数字音频的文件格式,课内及课外练习,声音是什么 听觉系统 声音三要素 掩蔽效应 空间听觉,音频与听觉,声音是什么,声音是由于物体的 而产生。 声音的传播需要 。 它可以在 中传播， 不能传声。 声音以 的形式传播，它具有 。,振动,介质,固体、液体、气体,真空,纵波,能量,声音是什么,通常情况下，声音在空气中的传播速度约为 。 声音在金属中和液体中的传播速度比它在空气中的要 ，约为 .和 。,340m/s,快,5000m/s,1000m/s,声音是什么,人耳能听到的声波的频率范围通常在 之间。 频率比可听声高的声波叫 。 它具有 、 等特点，可用于 等。,2020000Hz,超声波,定向性好,穿透能力强,测距、成像、测速、清洗、焊接、碎石,声音是什么,频率比可听声低的声波叫 ，监测与控制它有助于减少它的危害，并可用来 . . 。,次声波,预测台风和监测核爆炸,预报地震、,声音是什么,乐音通常是指那些 的声音。乐音的波形是 的。 噪声通常是指那些 的声音。噪声的波形是 的。 从环保角度看，凡 的声音都属于噪声。,有规律,难听的、令人厌烦,杂乱无章,动听的、令人愉快,影响人们正常学习、工作和休息,耳是听觉的外周感觉器官。功能. 外耳：耳廓、外耳道。 中耳：鼓膜、听小骨、咽鼓管和听小肌。 内耳：,耳蜗。,听 觉 器 官,听觉系统,1.声音的传递:外耳、中耳 外耳的功能,(2)外耳道: 传音的通路; 增加声强:与4倍于外耳道长的声波长(正常语言交流的波长)发生共振,从而增加声强。,(1)耳廓: 利于集音; 判断声源：依据声波到达两耳的强弱和时间差判断声源。,结构特点: 是一个具有一定紧张度、动作灵敏、斗笠状的半透明膜, 对声波的频率响应较好,失真度较小。,外耳道,鼓膜,镫骨,锤骨,砧骨,半规管,中耳的功能 鼓膜:,功能作用: 能如实地把声波振动传递给听小骨。,(2).听小骨: 结构特点:,由锤骨-砧骨-镫骨依次连接成呈弯曲杠杆状的听骨链。,功能作用: 传递振动，增强振压(1.3倍),减小振幅(约1/4),防止卵圆窗膜因振幅过大造成损伤。,(3).咽鼓管: 结构特点: 是鼓室与咽腔相通的管道,其鼻咽部的开口通常呈闭合状态,当吞咽、打呵欠或喷嚏时则开放。 功能作用: 调节鼓膜两侧气压平衡、维持鼓膜正常位置、形状和振动性能。 咽鼓管粘膜上的纤毛运动可排泄中耳内的分泌物。,2.声波在内耳耳蜗转变为动作电位,内耳耳蜗形似蜗牛壳,蜗管腔被前庭膜和基膜分隔为三个腔:前庭阶、蜗管和鼓阶。 基膜上有螺旋器: 由内、外毛细胞、支持细胞及盖膜等构成.,高频声波,低频声波,镫骨,锤骨,砧骨,外耳道,鼓膜,咽鼓管,卵圆窗,圆窗,前庭阶 蜗管 鼓阶,螺旋器,外淋巴,内淋巴,听觉系统,小百科,1、什么是传导性聋? 答：经空气路径传导的声波，受到外耳道，中耳病变的阻碍，到达内耳的声能减弱，致使不同程度听力减退者称为传导性聋。 2、什么是神经性耳聋? 答：内耳听毛细胞、血管纹、螺旋神经节、听神经或听觉中枢的器质性病变均可阻碍声音的感受与分析或影响声音讯息的传递，由此引起的听力减退或听力丧失称为感音神经性聋。,声音三要素,响度表示声音的 ，是由声源振动的 决定的。,音调表示声音的 ，是由声源振动的 决定的。,音色与发声体的材料和结构有关。音色不同，声波的 也不同。,波形,频率,高低,振幅,强弱,听阈与痛阈（一）,听阀：在安静环境中，能被人耳听到的纯音的最小值（当声音弱到人的耳朵刚刚可以听见时的声音强度）。可根据各个频率f绘出标准听阈曲线。,注：在听阈曲线以下的各种声音将不能被人耳察觉。,听阈与痛阈（二）,对于感受给定各频率的正弦式纯音，开始使人耳感到疼痛的阈值，称为相应频率的 “痛阈”。可根据各频率f绘出标准痛阈曲线。,响度是表示人耳对声音的强弱的主观感觉量。 具有相等响度的不同频率的点连接起来构成的一条条曲线被称为等响度曲线。 又称为Fletcher-Munson(弗莱彻芒森曲线)曲线，如下图。,弗莱彻芒森曲线（一）,弗莱彻芒森曲线（二）,注：每条曲线上的各点的声压级不同但响度相同。,弗莱彻芒森曲线（三）,等响曲线 是反映人们对声音振幅范围心理和生理因素的曲线，每条曲线上对应于不同频率的声压级是不相同的，但人耳感觉到的响应却一样，因此称为等响曲线，每条曲线上注有一个数字，为响度单位，由等响曲线族可以得知，当音量较小时，人耳对高低音感觉不足，而音量较大时，高低音感觉充分，人对2至4千赫兹之间的声音量为敏感。,音频是指声音信号的频率。 音高也称音调，表示人耳对声音调子高低的主观感受。主要与声音的频率有关。但不与频率成正比，而与响度一样，音调的感觉成对数关系，因此通常用频率的倍数或对数关系来表示音调。,声音音调的感知,小百科音阶 与“12平均律”,1、什么是“乐律”? 答：音乐中由低到高按一定音程的排列叫做乐律 (也叫音阶) ，如1234567。 2、什么是“音程”? 答：音程 (频程)指两个音在频率上的间隔。 3、什么是“12平均律”? 答：音的高低中似乎有一些音听起来就像是一模一样，却不在一个高度上，于是人们把任意这样两个音之间的频率计算了一下，按照频率把任意两个音之间的频率分成12份，就几乎可以把见到听到过的音乐都鼓捣出来，于是人们把这个发现叫做“12平均律”,小百科音阶 与“12平均律”,1,3,5,7,2,4,6,1,3,5,7,2,4,6,C,E,G,B,D,F,A,小百科音阶 与“12平均律”,声音音色的感知,音色又称音品 （musical quality）指音的感觉特性。 不同的物体发出的声音不同，如：在同一音高和同一声音强度下的钢琴和小提琴，马上就能区分出是不同乐器发出的。 我们平时通过音色分辨不同的材料、物体包括人。,小百科,1、为什么会有不同的“音色”? 答：声音是由发声的物体震动产生的，当其整体震动时发出基音，但同时其各部分也有复合的震动，这些各部分震动产生的声音组合成泛音。由于部分小于整体，所有不同的泛音都比基音的频率高，但强度都相当弱。 音色的不同取决于不同的泛音，每一种乐器、不同的人以及所有能发声的物体发出的声音，除了一个基音外，还有许多不同频率的泛音伴随，正是这些泛音决定了其不同的音色，使人能辨别出是不同的乐器甚至不同的人发出的声音。,小百科,2、 “音色”有那些特征? 答：人耳对音色的听觉反应非常灵敏，并具有以下特征。 记忆力 当熟人跟你谈话时，即使你未见到他（她）也会知道是谁在跟你谈话。甚至连熟人的走路声，你都可以辨认出。这说明人耳对经常听到的音色具有很强的记忆力。 分辨力 熟知乐器者，只要听到音乐声就能迅速指出是何种乐器演奏的。即使在同一频段内演奏，你仍能分辨出是那一种弦乐器演奏的。这说明每种乐器都有其独特的音色，人耳对各种音色的分辨能力非常强。,小百科,3、什么是“音色感”? 答：音色感是指人耳对音色所具有的一种特殊的听觉上的综合性感受。即使选用世界上最先进的电子合成器模拟出各种乐器，如小号、钢琴或其它乐器，虽然频谱、音色可以做到完全一样，但对于音乐师或资深的发烧友来讲，仍可清晰地分辨出。这说明频谱、音色虽然一样，但复杂的音色感却不相同，以至人耳听到的音乐效果不同。这也说明音色感是人耳特有的一种复杂的听觉上的综合性感受，是无法模拟的。,掩蔽效应,在聆听一个声音的同时，由于被另一个声音(称为隐蔽声)所掩盖而听不见的现象称为掩蔽现象。一个声音的听阈因另一个声音的掩蔽作用而提高的效应，称为掩蔽效应。,掩蔽效应,掩蔽效应,被掩蔽声的频率越接近掩蔽声时，掩蔽量越大；掩蔽声的声音越强，掩蔽量越大；低频声容易掩蔽高频声，而高频声较难掩蔽低频声。在音乐进行的过程中，人们感觉不到噪声的存在，但当音乐停止或间歇过程中，人们就可以感觉到音箱发出的本底噪声。,空间听觉,空间听觉又叫立体声，是具有空间感的声音。 立体声效是利用人耳的方位感特性提高音响效果。 立体声技术是利用立体声效，在放音时重现各种声源的方向及相对位置的技术。立体声重放给人的感觉不象单道声那样从一个“点”发出，而是感到声源分布到了一个较宽的范围。,根据需求的不同，现在的立体声效有2/0、3/0、3/1、3/2、5.1声道、7.1声道等。 5.1、7.1中的“.1”就是指LFE（Low Frequency Effects，低频音效。频率为15至120Hz。又称woofer）声道。,空间听觉,2/0、 3/0、 3/1、 3/2声道,空间听觉,5.1声道,空间听觉,5.1声道,7.1声道,空间听觉,7.1声道,声音数字化,数字音频的特点,什么是数字音频,采样和量化,影响数字音频质量的技术参数,数字音频文件的存储量,模拟音频：在时间和幅度上都是连续变化的。,数字音频：数字化了的音频在时间和幅度上都是离散、不连续的。,什么是数字音频（一）,二、模拟音频与数字音频,大家知道，无论现在的多媒体电脑功能如何强大，其内部也只能处理数字信息。各种命令是不同的数字，各种幅度的物理量也是不同的数字。而我们听到的声音都是模拟信号，怎样才能让电脑也能处理这些声音数据呢？将音频信号用一系列数字表示，称之为数字音频。,什么是数字音频（二）,究竟模拟音频与数字音频有什么不同？数字音频有哪些什么优点？,数字音频的特点是保真度好，便于存储、传输和处理。,数字音频的特点,数字音频是如何播放的？ 答：首先，将这些由大量数字描述而成的音乐送到一个叫做数/模转换器（Digital to Analog Converter，即DAC）的线路里，它将数字回变成一系列相应的电压（电流）值，然后通过有助于稳定的保持线路，最后将信号由低通滤波器输出。这样，比较平缓的具有脉动电压的模拟信号可继续发送至放大器和扬声器，电流经过放大再转变成声音。,小百科,(1). 采样和量化,模拟音频,数字音频,采样、量化、编码,采样和量化,采 样,音频的数字化过程,三、音频的数字化（采样）,采样：将时间上连续的取值变为有限个离散取值的过程。,(a) 模拟音频信号,(b) 音频信号的采样,采样（一）,模拟声音在时间上是连续的，而数字音频是一个数字序列，在时间上只能是断续的。因此当把模拟声音变成数字声音时，需要每隔一个时间间隔在模拟声音波形上取一个幅度值，称之为采样，采样的时间间隔称为采样周期。每秒的采样次数称为采样频率。,采样（二）,采样频率为多少才算合理呢？（一）,上半部分表示原始音频的波形；下半部分表示恢复后的波形；红色的点表示采样点。,采样频率为多少才算合理呢？（二）,上半部分表示原始音频的波形；下半部分表示恢复后的波形；红色的点表示采样点。,奈奎斯特采样定理：,设连续信号X(t)的最高频率分量为Fm，以等间隔Ts（Ts称采样间隔，Fs=1/Ts称为采样频率）对X(t)进行采样，得到Xs(t)。如果Fs=2Fm，则Xs(t)保留了X(t )的全部信息（从Xs(t)可以不失真地恢复出X(t)）。,只要采样频率高于信号中最高频率的2倍，就可以从采样中完全恢复原始信号的波形。,音频量化：将经采样后幅度上无限多个连续的样值变为有限个离散值的过程。,量化（一）,在数字音频技术中，经采样后，时间轴上变成了离散信号，但模拟电压的幅值仍然是连续的，而用数字表示音频幅度时，只能把无穷多个电压幅度用有限个数字表示，即把某一幅度范围内的电压用一个数字表示，这称之为量化。,(c) 采样信号的量化,(a) 模拟音频信号,(b) 音频信号的采样,量化（二）,先将整个幅度划分成为有限个幅度（量化阶距） 的集合，把落入某个阶距内的样值归为一类，并赋予相同的 量化值。,量化等级的划分,量化过程,【例】假设输入电压的范围是0.0V0.7V，并假设它的取值只限定在0、0.1、0.2，0.7共8个值。如果采样得到的幅度值是0.123V，它的取值就应算作0.1V，如果采样得到的幅度值是0.26V，它的取值就算作0.3，这种数值就称为离散数值。,量化举例,影响数字音频质量的技术参数,对模拟音频信号进行采样量化编码后，得到数字音频。数字音频的质量取决于采样频率、量化位数和声道数三个因素。,影响数字音频质量的技术参数,1). 采样频率 采样频率是指一秒钟时间内采样的次数。在计算机多媒体音频处理中，采样频率通常采用三种：11.025 KHz(语音效果)、22.05KHz(音乐效果)、44.1KHz(高保真效果)。常见的CD唱盘的采样频率即为44.1KHz。,2). 量化位数 量化位数也称“量化精度”，是描述每个采样点样值的二进制位数。例如，8位量化位数表示每个采样值可以用28即256个不同的量化值之一来表示，而16位量化位数表示每个采样值可以用216即65536个不同的量化值之一来表示。常用的量化位数为8位、12位、16位。,2). 量化位数（二）,例如，每个声音样本用16位(2字节)表示，测得的声音样本值是在065536的范围里，它的精度就是输入信号的1/65536。,3). 声道数 声音通道的个数称为声道数，是指一次采样所记录产生的声音波形个数。记录声音时，如果每次生成一个声波数据，称为单声道；每次生成两个声波数据，称为双声道（立体声）。随着声道数的增加，所占用的存储容量也成倍增加。,数字音频文件的存储量,以字节为单位，模拟波形声音被数字化后音频文件的存储量(假定未经压缩)为： 存储量=采样频率×量化位数/8×声道数×时间 例如，用44.1KHz的采样频率进行采样，量化位数选用16位，则录制1秒的立体声节目，其波形文件所需的存储量为多少？ 44100×168×2×1=176400(B),176400（B）/1024=172.27KB,172.27KB/1024=0.168MB,数字音频文件的存储量,以数据位为单位，模拟波形声音被数字化后音频文件的数据率(假定未经压缩)为： 传输率=采样频率×量化位数×声道数 例如，用44.1KHz的采样频率进行采样，量化位数选用16位，则传输该立体声节目所需的数据率为多少？ 44100×16×2=1411200(bps),1411200(bps)=1411.2kbps,1411.2kbps=1.41mbps,不同质量声音的数字化性能指标,数字音频的文件格式,自从数字音频产生以来，陆陆续续地出现了许多音频格式。这些格式既有流行的也有不那么流行的，有存在长久的也有昙花一现的，正是它们构成了五彩缤纷的数字音频世界，本节一一介绍。,目前的主流音频格式不少，不同的格式有自己的用途。,主流音频格式,Real Media,MIDI,Windows Media,WAV,MP3,MP3PRO,Ogg Vorbis,VQF,WAV存在便是永恒,WAV是Microsoft Windows本身提供的音频格式，由于Windows本身的影响力，这个格式已经成为了事实上的通用音频格式。 通常我们使用WAV格式都是用来保存一些没有压缩的音频。,MP3老当益壮,由Fraunhofer-IIS研究所开发，第一个实用的有损音频压缩编码。 MP3利用了知觉音频编码技术，也就是利用了人耳的特性，削减音乐中人耳听不到的成分，同时尝试尽可能地维持原来的声音质量。,MP3PRO 老树发新花,由德国Fraunhofer-IIS研究所、瑞典Coding Technologies 公司、法国Thomson multimedia公司共同推出。 在原来MP3技术的基础上专门针对原来技术中损失了的音频细节进行独立编码处理并捆绑在原来的MP3数据上，在播放的时候通过再合成而达到良好的音质效果。,Real Media网络流媒体鼻祖,它的文件格式是RA、RMA，由Real Networks公司发明，特点是可以在非常低的带宽（28.8kbps）下，提供足够好的音质让用户能在线聆听。 用途主要是在线聆听，并不适于编辑，所以相应的处理软件并不多。,Windows Media霸气十足,由Microsoft公司推出，一种网络流媒体技术，唯一一个能提供全部种类音频压缩技术（无失真、有失真、语音）的解决方案 。在64kbps的码率情况下，WMA可以达到接近CD的音质。 由于是微软的杰作，具有微软的一切特征。,MIDI 电脑与电子乐器的桥梁,是Music Instrument Digital Interface的缩写，意思是：音乐设备的数字化界面(或连接)。 MIDI是数码音乐文件，由曲谱、时序、乐器编号、音高等信息组成，告诉一个MIDI播放器何时用何种音高去演奏何种乐器，附带演奏一些效果比如颤音、混响等。,VQF生不逢时,VQF实际指的是日本Nippon Telegraph and Telephone（NTT）与YAMAHA公司开发的一种比较先进的音频压缩技术，通常认为96kbps VQF 与 128kbps MP3 质量相同。 VQF在YAMAHA公司的大力推动下也曾有相当的市场份额。不过时至今日，VQF已经在逐步淡出舞台。,Ogg Vorbis 开放、免费,Ogg Vorbis 是一种音频压缩格式，类似于MP3等现有的通过有损压缩算法进行音频压缩的音乐格式。但有一点不同的是，Ogg Vorbis格式是完全免费、开放源码且没有专利限制的。 Ogg Vorbis可以在相对较低的数据速率下实现比MP3更好的音质！,Monkey's audio,MOD,VOX,VOC,au,aiff,非主流音频格式,MOD最热门的非主流,与MIDI有点相似，Module（简称mod）是数码音乐文件，由一组samples（乐器的声音采样）、曲谱和时序信息组成，告诉一个mod播放器何时以何种音高去演奏在某条音轨的某个样本，附带演奏一些效果等。这使得mod成为一种介乎于象WAV或VOC那样的纯正样本数据文件和象MIDI那样的纯正时序信息文件之间的混合体，成为一种比较灵活的音频格式。,Monkey's audio 一个也不能少,是一种无损压缩技术，也就是说对压缩数据进行还原之后得到的数据与原来的数据是完全相同的。 这种格式的压缩比远低于其他格式，但能够做到真正无损，因此获得了不少发烧用户的青睐。,aiff 苹果专用,是Apple苹果电脑的标准音频格式，属于QuickTime技术的一部分。 AIFF虽然是一种很优秀的文件格式，但由于它是苹果电脑上的格式，因此在PC平台上并没有得到很大的流行。不过, Microsoft 公司的WAV格式就是据此产生的。AIFF是一种很优秀的文件格式，只要苹果电脑还在，AIFF就始终还占有一席之地。,au聊胜于无,是unix下一种常用的音频格式，起源于Sun公司。 出现多年，本身也支持多种压缩方式，但文件结构的灵活性就比不上aiff和WAV。由于目前许多新出现的音频技术都无法提供支持，起不到类似于WAV和aiff那种通用性音频存储平台的作用。目前可能唯一必须使用au格式来保存音频文件的就是java平台。,VOC曾经的辉煌,由创新公司（Creative）公司开发，曾经是DOS系统下面的音频文件格式标准。但该格式带有浓厚的与硬件相关色彩，变成了明显的缺点。 出现多年，所以现在的很多播放器都支持这种格式。,vox记住你的声音,Vox引申是voice的意思，表明了该格式专门面向语音音频。由Dialogic公司发明，使用ADPCM压缩技术进行压缩，主要应用于语音通信方面。 这个文件格式最常见于一些利用互联网进行语音通信的软件，比如PC2Phone。,在介绍了这么多音频媒体格式之后，我们来看看下面的特点概括列表：,Real Networks公司简介,RealNetworks总部位于西雅图，是全球领先的数字媒体技术提供公司，主要从事软件产品和服务的开发和销售业务，旨在使个人计算机及其它电子设备用户通过Web发送和接收音频、视频及其它多媒体服务。,横波与纵波,纵波：质点振动方向与波的传播方向互相平行的波。,特征：具有交替出现的密部和疏部。,横波与纵波,横波：质点振动方向与波的传播方向相垂直的波。,特征：具有交替出现的波峰和波谷。,课内练习,1、声音实际上是通过空气等介质传播的一种连续的波，称为声波。虽然人耳能识别的声音频率范围大约在20Hz20 kHz之间，但人说话的信号频率通常为（ ），人们把在这种频率范围的信号称为话音(Speech)信号。 A. 20Hz20kHz B80Hz3400Hz C50Hz7 kHz D10Hz150 kHz,一、选择题,答案：B,课内练习,2、根据需求的不同，现在的立体声效有2/0、3/0、3/1、3/2、5.1声道、7.1声道等。5.1声道、7.1声道中的“.1”是指（ ）。 A数字音频编码 BSurround(环绕声) CLow Frequency Effects，低频音效 D附加数据通道,一、选择题,答案：C,课内练习,3、下列要素中哪个不属于声音的三要素？（ ）。 A音调 B音色 C音律 D音强,一、选择题,答案：C,课内练习,4、在多媒体的音频处理中，数字音频文件中对音频的采样频率为44.1KHz。对一个双声道的立体声，保持1秒钟声音，其波形文件所需的字节数为( )字节，这里假设每个采样点的量化数为8位。 A. 22050 B. 88200 C. 176400 D. 44100,一、选择题,答案：B,课内练习,5、模拟音频在时间上是（ ）。 A、连续的 B、离散的 C、模拟的 D、数字的,一、选择题,答案：A,课内练习,二、填空题,答案：频率、幅度、音色,1、 的高低决定声音的音调， 的大小决定声音的响度，而 是指声音的特色，即在同一音高和同一声音强度的情况下，据此区分出是不同乐器或人声发出的。,课内练习,二、填空题,答案：空间感、空间特性,2立体声是具有 的声音，是利用听觉的 ，在放音时重现各种声源的方向及相对位置的技术。,课内练习,二、填空题,答案：采样频率、采样精度（量化位数）,3每秒钟采集的声音样本数目，称作_，存储每个声音样本所用的二进制位数，叫做_。,课内练习,二、填空题,答案：4. 采样 5. 二倍,4. 把时间上连续的模拟信号变成时间上离散的有限个样值的信号的过程叫 。 5. 奈奎斯特理论指出：采样频率不应低于声音信号最高频率的 ，这样就能把以数字表达的声音还原成原来的声音。,课内练习,二、填空题,答案：6. 掩蔽 7. 采样、量化 8. 等响曲线,6. 一种频率的声音阻碍听觉系统感受另一种频率的声音的现象称为 效应。 模拟声音信号需要通过 和 两个过程才能转化为数字音频信号。 具有相等响度的不同频率的点连接起来构成的一条条曲线被称为 ，又称为Fletcher-Munson(弗莱彻芒森曲线)曲线，该曲线上各点的响度相同但声压级不同。,课外练习,试说出人耳的听觉特点，以及响度、音调、音色的概念和用途。 什么是采样？什么是量化？ 3. 假设目前正在使用麦克风进行录音，采样频率设为11.025kHZ，量化选为8位，在不采用压缩技术的情况下，计算录制57秒的立体声文件大约需要多少空间？,本章结束,谢谢同学们， 顺祝国庆假日愉快！,